工程的智能設計（Smart Design）指的是運用先進的技術和方法，特別是人工智慧（AI）、機器學習（ML）、大數據分析等，來創造更高效的工程解決方案。

智能設計整合機器學習使得設計過程不僅更加高效，而且能夠創造出以往人類設計師難以想像的創新解決方案。這種技術的融合，特別是在自動化、優化設計和創新性問題解決方面展示了巨大的潛力。

機器學習在智能設計中的角色，包括：

設計優化：透過分析大量的設計數據，機器學習模型能夠識別出最優化的設計參數和結構布局，從而提升產品性能、減少材料消耗，或是縮短生產時間。

創新發現：機器學習模型能夠探索和建議?類設計師未曾考慮過的設計方案，打開創新設計的新範疇，促進產品的革新。

自動化設計流程：從草圖生成到詳細設計，機器學習可以自動化許多設計流程，加速從概念到成品的轉化過程。

性能預測：在設計階段早期，機器學習可以預測產品的性能，幫助設計師做出更加明智的設計決策。

ChatGPT的興起標誌著人工智能領域的一個重要進展，其能力被廣泛應用於解答各種問題，尤其對程式工程師和文字創作者來說，即時回答功能極大提升了他們的生產效率。這種技術使得快速獲取資訊變得前所未有的容易，從?加快了工作流程，提高了工作效能。

不過，當問題涉及到更為專業或技術性的領域時，ChatGPT的表現就顯得有些力不從心。這是因為泛用型的AI模型在處理高度專業化和細分的技術問題時，往往缺乏深度和精確度。舉例來說，在半導體行業，一名從事RF晶片設計的工程師可能需要知道一個面積在4mm²以內，在5GHz的電感值為2nH，有最低損耗的八邊螺旋電感幾何布局。而在這種情況下，ChatGPT無法提供準確的答案，因為這需要深入的專業知識和複雜的計算。

因此，工程師仍需依賴於傳統的3D建模和數值模擬方法來獲得這些技術細節。這不僅需要大量的時間和專業知識，而且在某些情況下，這種方法可能顯得繁瑣且效率不高。這就凸顯了一個事實：儘管AI技術已經取得了巨大進步，但在某些高度專業化的領域，它仍然無法完全取代傳統的工作方法。

圖一 : 目前工程師尚需依賴於傳統的3D建模和數值模擬方法來獲得技術細節。

然而，這種局限性指出了未來AI發展的一個可能方向，即開發更加專業化和定制化的AI模型。這些模型應能夠更深入的理解特定工程領域的複雜問題，並提供更精確的解決方案。對於工程師來說，這意味著AI將能更有效地協助他們處理專業問題，從而進一步提升他們的工作效率和效能。

舉例來說，在解決上述電感特性分析的問題時，機器學習提供了?種有效途徑。通過建立?個基於大量數據訓練的數學模型，能迅速預測電感的關鍵特性。為了進行訓練，需要詳細收集電感的幾何結構、材料屬性等輸入參數，如圈數（N）、螺旋半徑（R0）、線寬（W）、線間隙（G）、以及電感厚度（T）及基板參數如厚度（H）、介電常數（Dk）、損耗係數（Df）。並將它們與電感值（L）、品質因數（Q）、自振頻率（Fc）等輸出性能指標結合。這樣的數據整合使得模型能在新的設計空間中做出快速且準確的預測。

圖二 : 數據整合使得模型能在新的設計空間中做出快速且準確的預測。

機器學習需要克服的問題

機器學習涉及使用大量數據來訓練數學模型，以便在特定範圍內提供精確的預測。這個過程看似直接，但背後實則涉及多個複雜問題。

數據量和成本的平衡

確定所需數據量及其生成成本是關鍵。數據量必須足夠，以便模型能學習到各種情況下的行為模式，但數據的收集或生成成本可能非常高昂。因此，必須權衡數據量和成本，找到最佳平衡點。

數據質量的確保

此外，數據質量也至關重要。不僅需要充分的數據量，這些數據還必須是「乾淨」的，亦即無噪聲、無偏差和準確的。這可能需要通過數據清洗和預處理過程來實現，以確保用於訓練模型的數據是可靠和有效的。

數據代表性的重要性

所選取的數據樣本必須能夠全面反映整個構築範圍內的行為和情況，以保證模型的廣泛適用性和準確性。這與取樣的方式息息相關。

模型可靠性的評估

如何定義和評估模型的可靠度也是一大挑戰。這涉及到選擇合適的性能指標和驗證方法，以確保訓練出的模型不僅在訓練數據上表現良好，而且能夠有效地泛化到新的、未見過的數據上。

選擇合適的模型類型

最後，選擇合適的數學方法和模型類型對機器學習的成功至關重要。是否選擇線性模型、回歸分析、Kriging方法或深度神經網路取決於具體問題的性質、數據的特點以及預期的應用。每種方法都有其優勢和局限性，因此，必須根據特定情況來選擇最適合的模型。

綜合上述狀況，雖然機器學習提供了強大的工具來從數據中學習和預測，但要有效地開發和應用機器學習模型，就必須全面考慮這些因素，以確保模型的準確性、可靠性和實用性。

實體測試與電腦模擬：數據獲取方法的比較與分析

當我們談論獲取數據時，最直觀的?法是通過製造實體，然後測量和記錄其行為來生成數據。這種方法在許多情況下都是可行的，尤其是當需要確切了解物理對象或系統在現實條件下的表現時。這種方法的主要優勢在於其可靠性和精確性，因為所獲得的數據直接反映了實體或系統在特定條件下的真實表現。然而，這種方法的缺點也很明顯，包括高成本、時間消耗大，以及在某些情況下可能的技術或操作限制。

其次，在生產和量測過程中出現不可避免的誤差，也會影響到數據質量。不論是實驗條件的微小變化、操作人員的差異、設備的精確度等因素，都可能導致數據中出現偏差和雜訊，這對於訓練高精度機器學習模型構成了挑戰。

在這種情況下，電腦模擬成為一個理想的解決方案。利用模擬數據進行機器學習訓練不僅成本更低，而且可以在較短的時間內產生大量所需的數據。這種方法使得快速開發和優化機器學習模型成為可能，從而為解決工程問題提供了一個有效的技術途徑。

模擬數據生成與自動化流程 在機器學習訓練中的挑戰與解決策略

儘管利用模擬來生成數據具有較高的可行性，但在實踐中仍需克服多個挑戰。以螺旋電感的模擬為例，要創建包含不同尺寸、圈數和材料的多變量設計檔案，就需要決定哪些參數組合是必要的，以便充分覆蓋設計空間。這個過程中，確定合適的參數範圍和步長，以及如何高效生成這些變化的CAD檔案，都是技術性和時間上的考驗。

手動創建和匯入這些模擬設計到模擬軟體中，再手動設定每一次模擬的條件，如此一來不僅效率低下，而且容易出錯。特別是當設計參數非常多，需要生成大量數據時，這種方法幾乎是不可行的。此外，模擬完成後還必須擷取並整理數據，這進一步增加了工作量和錯誤的機率。

為解決這些問題，自動化流程變得極為重要。開發工具或腳本來自動生成3D模型、設置模擬參數，並在模擬結束後自動提取數據，可以大幅減少人力成本和時間。自動化不僅提高了數據生成的效率，也增加了過程的重現性和準確性。因此，儘管模擬是一個強大的工具，但為了有效地利用它生成機器學習所需的數據，開發和實施自動化流程是解決這一戰的關鍵。

在技術實現方面，目前市場上已有幾個明顯的進展。以Ansys為例，近年來積極開放其產品的Python介面（PyAnsys）。通過提供這樣的介面，Ansys不僅使其工具更加易於被AI技術調?和整合，也為工程師提供一條更加直觀和靈活的途徑來進行自動化設計與模擬流程。此外，這種開放性策略還為利用AI進行設計優化提供了可能，特別是在配合如ChatGPT這樣的先進程式碼生成技術時，更是開闢了一條讓AI不僅參與設計，而且能夠主導設計優化過程的全新道路。

除此之外，Ansys OptisLang通過直接與PyAnsys腳本的無縫整合，能夠在預定義的變量空間中產生參數點。這些參數點隨後用於驅動PyAnsys腳本，以自動化?式進行數值模擬並擷取相應的結果。例如，它可能首先生成100個樣本點。在這些點中，80個被選擇?於訓練各種數學模型，而剩餘的20個則用於驗證模型的準確性。這種分割方法允許用戶對模型的預後系數（COP）進行有效的測試和評估。

如果初始訓練的模型未達到預期的預測準確度，OptisLang會採取主動學習策略，在樣本空間中選取新的點，以收集更多數據並對模型進行迭代訓練。這種方法結合了自適應取樣、模型訓練、性能評估和迭代優化，從而實現了對模型精度的持續提升。

圖三 : 結合自適應取樣、模型訓練、性能評估和迭代優化等方法，實現了對模型精度的持續提升。

結合PyAnsys、OptisLang與ChatGPT：實現工程智能設計

在實現PyAnsys自動化流程的過程中，Python程式碼的編寫常常成為技術上的一大挑戰，尤其對那些不熟悉Python編程的電?工程師而言。儘管如此，隨著人工智能技術的發展，這個挑戰正變得越來越容易克服。特別是隨著大型語?模型，如ChatGPT，在代碼生成領域所展現的能力，從而降低編程的難度。

目前，儘管PyAnsys的程式碼範例仍較為有限，ChatGPT尚未能夠完全準確地一次性生成代碼，但隨著更多的範例和文檔進入訓練集，ChatGPT在生成PyAnsys代碼的能力將逐步提高，未來有望實現一鍵生成精確代碼的功能。

進一步來說，利用ChatGPT這樣的AI工具生成PyAnsys代碼，與OptisLang等工具結合，進行複雜的機器學習模型構建和優化設計。這不僅能實現快速的設計迭代和高質量的設計出品，還能促進創新能力的提升。更重要的是，這樣的進展將促進跨學科合作，讓非專業人士也能夠輕鬆參與到複雜的工程設計和開發工作中，推動工程設計和模擬領域邁入一個更自動化、智能化的新時代。

（本文作者林鳴志為Ansys 技術專家）